Pozwoliło to zwiększyć skuteczność cyklicznych kampanii poprzedzających subskrypcję (early bird) oraz kampanii w trakcie okresu subskrypcji (follow up), obniżyć ich koszty i uniknąć „przeciążenia” komunikatami klientów o niskim zainteresowaniu tą ofertą.
WYZWANIA
- Zwiększenie obrotów.
- Automatyczne poszukiwanie nieoczywistych szans sprzedażowych dla programu CRM.
- Brak narzędzi do wypełniania luk na rutynowych listach zakupów.
- Poszerzanie asortymentu u odbiorców (tzw. poszerzanie półki).
ROZWIĄZANIE
- Budowa modeli szacujących prawdopodobieństwo zakupu artykułów (kategorie produktowe), obejmujących około 80% sprzedaży miesięcznej.
- Uwzględnienie w predykcji zjawiska sezonowości klientów.
- Budowa modeli szacujących prawdopodobieństwo zakupu towarów od określonego dostawcy/producenta.
- Automatyczne dostarczanie listy rekomendowanych produktów (np. na zasadzie „top 10”), na podstawie szacunków pochodzących z customizowalnych modeli analitycznych (SI).
Efekt/korzyści:
- Wysoki poziom automatyzacji ofert (zmniejszenie kosztów pracy i wysiłku wkładanego w targetowanie ofert w programie CRM)
- Zwiększenie przychodów poprzez identyfikację możliwości dosprzedaży towarów, które:
- kupowali podobni klienci,
- klient kupował wcześniej u konkurencji.
Budowa modeli dla rekomendacji produktowych wymaga analizy trendu, asocjacji produktowych i zachowań klientów.
Szczegóły projektu
|
Czas realizacji |
Oprogramowanie |
Zaangażowany zespół |
|---|---|---|
|
4 tygodnie |
PS CLEMENTINE PRO |
Predictive Solutions - 2 osoby. Po stronie klienta - 2 osoby zaangażowane bezpośrednio i 2 osoby odbierające wyniki i biorące udział w ustaleniach biznesowych. |
